MiniMax: Speech 02 Turbo

Speech 02 Turbo yra tikslus MiniMax kalbos leidimas, parenkamas naudojant model: "minimax/speech-02-turbo". Naudokite POST /v1/audio/speech su application/json turiniu, kuriame yra model ir tariamas tekstas. Jo įvestis yra rašytinis scenarijus, o rezultatas – susintetintas garsas. Skelbimui į text įrašykite tik tuos žodžius, kurie turi būti ištarti, pavyzdžiui, trumpą pranešimą apie atsiėmimą. Produkto paaiškinimui scenarijų padalykite į užbaigtus sakinius ir prieš generuodami garsą galutinai patikslinkite produktų pavadinimus bei skaičius. Gamybines pastabas, failų pavadinimus ir nurodymus, kurių neturi girdėtis, laikykite už tariamo scenarijaus ribų.

Laukas text turi būti netuščias ir turėti mažiau nei 10 000 Unicode simbolių. Siųskite visą tariamą scenarijų su stream:false arba nepateikite stream. Ilgesnę medžiagą padalykite į atskirus užbaigtus scenarijaus segmentus prieš pateikdami kiekvieną segmentą. Dokumentą galima naudoti perskaičius tikrąjį jo turinį ir įrašius atitinkamą ištrauką į text; dokumento URL nepakeičia scenarijaus.

Balsą pasirinkite per voice_setting.voice_id. Dokumentuotos balsų kategorijos apima sisteminius balsus ir jau sukurtus klonuotus ar pagal tekstą suprojektuotus balsus; naudokite galiojantį pasirinktos kategorijos balso ID. Pavyzdinis balsas yra audiobook_male_1. Tas pats objektas valdo speed nuo 0,5 iki 2, vol virš 0 ir iki 10 bei sveikąjį pitch nuo -12 iki 12. Jų numatytosios reikšmės yra 1, 1 ir 0. Šie valdikliai reguliuoja skirtingus kalbinio atlikimo aspektus, todėl rinkitės juos atskirai, užuot įrašę jų pavadinimus į scenarijų.

voice_setting.emotion priima happy, sad, angry, fearful, disgusted, surprised, calm ir fluent. Dokumentacijoje taip pat aprašytas automatinis emocijos parinkimas pagal tekstą. Scenarijams, kuriuose daug skaičių, voice_setting.text_normalization įjungia teksto normalizavimą kinų ir anglų kalbomis; jo numatytoji reikšmė yra false. voice_setting.latex_read valdo LaTeX išraiškų skaitymą ir taip pat turi numatytąją reikšmę false. pronunciation_dict.tone yra tarimo taisyklių eilučių masyvas. Paskelbtas pavyzdys yra ["草地/(cao3)(di1)"]; pateikdami taisyklę išlaikykite žodį, pasvirąjį brūkšnį ir tarimo struktūrą skliaustuose.

audio_setting.format priima mp3, pcm, flac ir wav, o numatytoji reikšmė yra mp3. sample_rate priima 8000, 16000, 22050, 24000, 32000 ir 44100 Hz; jo numatytoji reikšmė yra 32000. channel yra 1 monofoniniam garsui arba 2 dviem kanalams, o numatytoji reikšmė yra 1. bitrate reikšmės yra 32000, 64000, 128000 ir 256000 bitų per sekundę, numatytoji reikšmė yra 128000, ir jos taikomos mp3. Pasirinkite kodavimą, kurio reikia grotuvui ar redagavimo įrankiui, naudosiančiam rezultatą.

language_boost yra pasirinktinė eilutė, kurios numatytoji reikšmė yra null. Leidžiamos jos reikšmės yra Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans ir auto. "Chinese,Yue" yra viena reikšmė. Tai atskiras valdiklis nuo scenarijaus ir balso ID. Schemoje taip pat pateiktas timber_weights balso voice_id ir sveikojo weight porų sąrašui, kur kiekvienas weight yra nuo 1 iki 100. Ruošdami užklausą išsaugokite parametro rašybą timber_weights. voice_modify.sound_effects yra pasirinktinė eilutė su reikšmėmis spacious_echo, auditorium_echo, lofi_telephone ir robotic.

stream numatytoji reikšmė yra false. Visam atsakymui output_format parenka url arba hex, o numatytoji reikšmė yra hex. Dokumentuotame JSON rezultate data.audio pateikia pasirinktą atvaizdavimą: atsisiųskite visą pasirašytą Ailoot URL, įskaitant jo užklausos eilutę, arba iškoduokite visą šešioliktainį garsą į baitus. Išsaugokite pradinį rezultatą kartu su data.status, base_resp, trace_id ir extra_info, kuriame yra tikrasis garso formatas, diskretizavimo dažnis, kanalų skaičius, dydis ir usage_characters.

subtitle_enable yra loginė reikšmė, kurios numatytoji reikšmė yra false ir kuri taikoma nesrautinei išvesčiai. aigc_watermark yra loginė reikšmė, kurios numatytoji reikšmė yra false ir kuri valdo girdimą ritmo žymeklį sugeneruoto garso pabaigoje. Išsaugokite kiekvieną grąžintą garso ar subtitrų rezultatą ir prieš įtraukdami į programą patikrinkite tarimą, skaičius bei užbaigtą failą. Jei perdavimas neaiškus, išsaugokite pradinės užklausos identifikatorių ir atsakymą esamam bandymui patikrinti. Ailoot užbaigtą garsą taip pat išsaugo jūsų medijos bibliotekoje. Naudojant output_format:"url", data.audio turi pasirašytą nuorodą į šį išsaugotą išteklių; ištekliaus ID matomas jos kelyje /v1/media/assets/{asset_id}/content. Ailoot pasirašytos failų nuorodos galioja 24 valandas nuo išdavimo. Tuo pačiu API raktu siųskite GET /v1/media/assets?family=audio ir sekite kiekvieną next_cursor, kad rastumėte garso išteklių įrašus. Kiekvienam pasirinktam įrašui nuskaitykite GET /v1/media/assets/{asset_id} ir atsisiųskite tikslų jo content_url, įskaitant užklausos eilutę. Jei failo užklausa grąžina 404 su kodu link_expired, dar kartą nuskaitykite tą patį išteklių ir gaukite atnaujintą content_url. Atnaujinkite išsaugotą rezultatą, užuot dar kartą generavę garsą pasibaigusiai nuorodai pakeisti.